目的基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视...目的基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image,WSI),并按2∶2∶1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20∶1∶1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve,AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。结果共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402000个、20000个、20000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95%CI:88.2%~95.4%);验证集:92.5%(95%CI:89.0%~95.3%)]、AUC[测试集:0.95(95%CI:0.93~0.98);验证集:0.96(95%CI:0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95%CI:0.89~0.98),准确率为88.0%(95%CI:81.6%~94.3%),灵敏度为100%(95%CI:88.0%~100%),特异度为67.0%(95%CI:57.0%~85.0%)。结论基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块级和切片级病变性质精确分类,准确识别胃癌,有望提高病理诊断效率。展开更多
癌胚抗原相关黏附分子（caminoembryonic antigen related adhesive molecular，CEACAM）家族成员都是高度糖基化蛋白，属于免疫球蛋白基因超家族，在多种肿瘤中均有过度表达。本研究检测CEACAM5在胃癌组织中的表达，阐述其临床病理意...癌胚抗原相关黏附分子（caminoembryonic antigen related adhesive molecular，CEACAM）家族成员都是高度糖基化蛋白，属于免疫球蛋白基因超家族，在多种肿瘤中均有过度表达。本研究检测CEACAM5在胃癌组织中的表达，阐述其临床病理意义，以期为胃癌的早期诊断及复发与预后评估提供依据。展开更多
文摘目的基于深度学习技术,建立胃活检病理切片胃癌诊断模型,并对模型的性能进行评价。方法回顾性收集2015年1月—2020年1月浙江省人民医院胃活检诊断为正常胃黏膜、慢性胃炎、高级别上皮内瘤变和胃腺癌患者的病理切片。以20倍率扫描为全视野数字图像(whole slide image,WSI),并按2∶2∶1的比例随机分为图块分类数据集、切片分类训练集与切片分类测试集。对图块分类数据集病变区域进行标注、图块截取后,按20∶1∶1的比例随机分为训练集、测试集、验证集。基于Efficientnet和ResNet网络结构构建卷积神经网络(convolutional neural network,CNN)图块级癌与非癌分类模型,并以图块分类准确率、受试者操作特征曲线下面积(area under the curve,AUC)评价该模型的性能。基于此模型拼接获取整张WSI的癌变热力图,提取热力图中切片级癌与非癌分类特征,对LightGBM算法进行训练,最终完成整张胃癌活检切片的诊断与识别,其识别结果以AUC、准确率、灵敏度、特异度进行评价。结果共入选符合纳入和排除标准的胃良性疾病(正常胃黏膜、慢性炎症)病理切片500张,胃癌(高级别上皮内瘤变、胃腺癌)病理切片500张。图块分类数据集、切片分类训练集与切片分类测试集WSI分别为400张、400张、200张。图块分类训练集、测试集、验证集图块分别为402000个、20000个、20000个。以Efficientnet-b1网络结构建立的CNN模型对测试集、验证集图块分类的准确率[测试集:91.3%(95%CI:88.2%~95.4%);验证集:92.5%(95%CI:89.0%~95.3%)]、AUC[测试集:0.95(95%CI:0.93~0.98);验证集:0.96(95%CI:0.92~0.98)]均最高。基于LightGBM算法构建的模型识别整张切片为胃癌的AUC为0.98(95%CI:0.89~0.98),准确率为88.0%(95%CI:81.6%~94.3%),灵敏度为100%(95%CI:88.0%~100%),特异度为67.0%(95%CI:57.0%~85.0%)。结论基于胃活检病理切片建立的CNN诊断模型可对癌变组织进行定位,实现图块级和切片级病变性质精确分类,准确识别胃癌,有望提高病理诊断效率。
文摘癌胚抗原相关黏附分子（caminoembryonic antigen related adhesive molecular，CEACAM）家族成员都是高度糖基化蛋白，属于免疫球蛋白基因超家族，在多种肿瘤中均有过度表达。本研究检测CEACAM5在胃癌组织中的表达，阐述其临床病理意义，以期为胃癌的早期诊断及复发与预后评估提供依据。
